Gouvernance et valeur de l’information : exploration de différents modèles et méthodes d’évaluation
Bibliographic record
Abstract
La gouvernance de l’information consiste en un cadre de responsabilité multidisciplinaire de haut niveau stratégique. Au-delà des spécialisations disciplinaires, une approche holistique de gouvernance des actifs informationnels ouvre la porte à des réponses concertées aux enjeux informationnels. C’est également ce que préconisent des cadres de référence comme le Information Governance Reference Model (IGRM) ou encore les principes proposés par la norme ISO 24143 Information et documentation – Gouvernance de l’information – Concepts et principes. Les professionnels de l’information doivent jouer un rôle stratégique accru dans leurs organisations tout en respectant des exigences de conformité et de reddition de comptes plus strictes. Ils doivent aussi participer à l’atteinte des objectifs organisationnels par une offre de services qui doit être fréquemment réévaluée, notamment dans la perspective d’un programme de gouvernance de l’information. Il devient ainsi nécessaire de procéder à l’évaluation des activités. Pour ce faire, il existe plusieurs méthodes et dispositifs qui sont toutefois méconnus des professionnels de l’information et donc peu utilisés. Après avoir circonscrit nos propos dans le contexte de la gouvernance de l’information, ce texte dresse un portrait de différentes méthodes d’évaluation (modèles de maturité, gestion de la qualité et satisfaction des utilisateurs, mesures de rendement et d’analyse des coûts). Il se termine par la présentation de quatre dispositifs issus de la démarche d’évaluation dont pourront s’inspirer les professionnels de l’information pour démontrer la pertinence et la valeur de leurs activités de gouvernance de l’information.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.082 | 0.178 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.016 | 0.017 |
| Science and technology studies | 0.002 | 0.008 |
| Scholarly communication | 0.025 | 0.022 |
| Open science | 0.004 | 0.005 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".